Kharkiv Polytechnic Institute
Electronic National Technical University "Kharkiv Polytechnic Institute" Institutional Repository (eNTUKhPIIR)Not a member yet
93981 research outputs found
Sort by
Еволюція облікових методологій у контексті технологічної дезінтермедіації та віртуалізації ринків
No full textРозробка математичної моделі процесу функціонування граничного шару індустріального інтернету речей
No full textEnhancing the strength of drive gears in unmanned aerial vehicles
No full textПропоновано застосування асиметричних зубчастих коліс для надійного обертання гвинтів безпілотних літальних апаратів (БПЛА) необхідно забезпечення кінематичну точність привідних шестерень, норми плавності, норми бокового зазору і одне з головних вимог це міцність зубів шестерень. Розроблені асиметричні зубчасті передачі для модернізації безпілотних літальних апаратів дозволяють підсилити вантажопідйомність для використання більш потужніших двигунів, Підвищення міцності зубів привідних шестерен дає можливість виготовляти їх з поліамідних матеріалів. Заміна спочатку використаних симетричних зубчастих коліс для зубчастих передач з асиметричними зубами дозволила використовувати потужніші та економічні двигуни без модернізації корпуса привода. Розроблені інтегровані підпрограми для порівняння симетричних та асиметричних навантажень на вигин зубів. Представлені приклади фінішної сітки та ізотропії напруги.
The use of asymmetric gear wheels has been proposed to ensure reliable rotation of propellers in unmanned aerial vehicles (UAVs). This requires maintaining the kinematic accuracy of drive gears, compliance with smoothness standards, and proper backlash tolerances, with one of the primary requirements being the strength of the gear teeth. The developed asymmetric gear transmissions for UAV modernization make it possible to increase payload capacity and integrate more powerful engines. Improved tooth strength in the drive gears enables the use of polyamide materials for their manufacture. Replacing the originally used symmetric gears with asymmetric-tooth gear systems has made it possible to utilize more powerful and fuel-efficient engines without modifying the drive housing. Integrated subprograms have been developed to compare bending loads on symmetric and asymmetric teeth. Examples of final mesh models and stress isotropy are presented
'
No full textBased on the processing of open sources of information and statistical data on the state of freshwater bodies in the south and east of Ukraine, a theoretical model has been created for monitoring and short-term forecasting of the impact of full-scale military operations on them. Preliminary numerical calculations of the consequences of changes in the natural environment have been carried out. The research is part of the student work on applying a monitoring system for implementing environmental protection technologies
Графові нейронні мережі для прогнозування транспортного потоку: інноваційні підходи, практичне використання та переваги у просторово-часовому прогнозуванні
No full textTraffic flow prediction remains a cornerstone of intelligent transportation systems (ITS), facilitating congestion mitigation, route optimization, and sustainable urban planning. Graph Neural Networks (GNNs) have revolutionized this domain by adeptly modeling the intricate graph-structured nature of traffic networks, where nodes represent sensors or intersections and edges denote spatial relationships. Recent years (2023–2025) have witnessed a surge in scientific innovation, with several novel approaches pushing the boundaries of traffic prediction accuracy and robustness. Notably, hybrid GNN-Transformer architectures have emerged, leveraging the spatial reasoning of GNNs and the temporal sequence modeling power of Transformers to capture long-range dependencies and complex spatiotemporal patterns. Physics-informed GNNs integrate domain knowledge, such as conservation laws and traffic flow theory, directly into the learning process, enhancing interpretability and generalization to unseen scenarios. Uncertainty-aware frameworks, including Bayesian GNNs and ensemble methods, provide probabilistic forecasts, crucial for risk-sensitive applications and adaptive traffic management in volatile urban environments. This article provides a comprehensive guide to implementing GNNs for traffic flow prediction, detailing best practices in data preparation (e.g., graph construction, feature engineering, handling missing data), model training (e.g., loss functions, regularization, hyperparameter tuning), and real-time deployment (e.g., edge computing, latency optimization). We critically compare GNNs to traditional statistical and deep learning methods, highlighting their superior ability to capture non-Euclidean spatial dependencies, adapt to dynamic and evolving network topologies, and seamlessly integrate multi-modal data sources such as weather, events, and sensor readings. Empirical evidence from widely used benchmarks, including PeMS and METR-LA, demonstrates that state-of-the-art GNN models achieve up to 15–20 % improvements in accuracy metrics such as Mean Absolute Error (MAE) and Root Mean Square Error (RMSE) over conventional baselines.
Прогнозування транспортних потоків залишається наріжним каменем інтелектуальних транспортних систем (ITS), сприяючи зменшенню заторів, оптимізації маршрутів і сталому міському плануванню. Графові нейронні мережі (GNN) здійснили революцію в цій галузі, моделюючи складну графову структуру транспортних мереж, де вузли представляють датчики або перехрестя, а ребра – просторові зв’язки. Особливо виділяються гібридні архітектури GNN-Transformer, які поєднують просторове моделювання GNN із потужністю Transformer для обробки часових послідовностей, що дозволяє захоплювати далекі залежності та складні просторово-часові патерни. Фізично-обґрунтовані GNN інтегрують доменні знання, такі як закони збереження та теорія транспортних потоків, безпосередньо в процес навчання, підвищуючи інтерпретованість і здатність до узагальнення на нові сценарії. Фреймворки з урахуванням невизначеності, включаючи байєсівські GNN та ансамблеві методи, забезпечують ймовірнісні прогнози, що є критично важливим для застосувань, чутливих до ризиків, і адаптивного управління трафіком у мінливих міських середовищах. Ця стаття є комплексним дослідженням із впровадження GNN для прогнозування транспортних потоків, детально описуючи найкращі практики підготовки даних (наприклад, побудова графів, інженерія ознак, обробка пропущених даних), навчання моделей (наприклад, функції втрат, регуляризація, налаштування гіперпараметрів) і розгортання в реальному часі (наприклад, edge computing, оптимізація затримок). Критично проаналізовано можливості GNN порівняно з традиційними статистичними та глибокими нейронними мережами, підкреслюючи їхню перевагу у виявленні неевклідових просторових залежностей, адаптації до динамічних і змінних топологій мережі та безшовній інтеграції мультимодальних джерел даних, таких як погода, події та показники датчиків. Емпіричні дані з широко використовуваних бенчмарків, зокрема PeMS і METR-LA, демонструють, що сучасні моделі GNN досягають до 15–20 % покращення точності за такими метриками, як середня абсолютна помилка (MAE) та середньоквадратична помилка (RMSE), порівняно з традиційними базовими підходами
Preparing management systems for AI integration
No full textThe aim of this study is to explore the obstacles organizations encounter when trying to implement Artificial Intelligence (AI) successfully, with an emphasis on psychological, organizational, and ethical challenges. Its objective is to recommend strategies that minimize resistance, foster trust, and facilitate the seamless integration of AI technologies into business workflows. Methodology. The research is based on an in-depth review of existing literature and real-world case studies, employing a qualitative approach to uncover the root causes of resistance. Key areas of examination include psychological fears, misalignments within organizations, and ethical dilemmas. The study proposes strategic frameworks and best practices to effectively address these issues. Results. The findings reveal that psychological barriers are rooted in fears of job displacement and mistrust of AI, while organizational resistance arises from poorly aligned strategies and cultural inertia. Ethical challenges, such as bias, accountability, and privacy concerns, further complicate the adoption process. Strategies like promoting openness, aligning AI initiatives with organizational goals, instituting robust governance, and addressing ethical issues can help overcome these hurdles and accelerate AI implementation. Practical Implications. The research offers actionable insights for business leaders and policymakers, including efforts to enhance transparency, provide training, and ensure ethical compliance, all of which are crucial for building trust among stakeholders. Originality. This study presents a detailed framework for addressing resistance to AI adoption by integrating psychological, organizational, and ethical dimensions. Merging theoretical insights with practical applications, it provides innovative guidance to help organizations leverage AI’s transformative potential while adhering to societal and moral standards
